Ներդրումային պորտֆելը ֆինանսական ակտիվների հավաքածու է, ինչպիսիք են բաժնետոմսերը, պարտատոմսերը կամ կրիպտոարժույթները, որոնցում անհատը ներդրումներ է կատարում: Ներդրումը հիմնականում որոշվում է իր ռիսկով (որքանով է անկայուն է արժեքը) և իր եկամտաբերությամբ (որն է ակնկալվող շահույթը): Ներդրողները նպատակ ունեն կառուցել այնպիսի պորտֆել, որը նվազագույնի է հասցնում ռիսկը` միաժամանակ առավելագույնի հասցնելով եկամտաբերությունը:  Քանի որ ներդրումները կապված են թվերի հասկանալու հետ, փորձագետ թրեյդերները օգտագործում են տվյալների գիտության տեխնիկան և մոդելները՝ իրենց ներդրումային ռազմավարությունը օպտիմալացնելու համար: Այդպիսի մոդելներից է Ժամանակակից Պորտֆոլիոյի Տեսությունը (MPT), որը նաև հայտնի է որպես Մարկովիցի միջին շեղումների տեսություն։ Մոդելը ապահովում է օպտիմալ ներդրումային պորտֆել՝ օգտագործելով ռիսկերի գնահատումը և առավելագույնի հասցնում ներդրողի եկամուտը:  Եկեք հասկանանք տվյալների գիտության դերը արդյունավետ ներդրումներ կատարելու մեջ, մանրամասն դիտարկենք ժամանակակից պորտֆելի տեսությունը և քննարկենք տվյալների գիտության մոդելների հետ կապված ենթադրություններն ու ռիսկերը:   Ավելին Մարկովիցի միջին շեղումների տեսության մասին  Մարկովիցի միջին շեղումների տեսությունը առաջին անգամ հրապարակվել է Հարի Մարկովիցի կողմից 1952 թվականին: Տեսությունը ներկայացնում է տվյալների վրա հիմնված մոդել, որը վերլուծում է ֆինանսական միտումները՝ գնահատելու ռիսկը և եկամտաբերությունը: Որպես կանոն, ներդրումները դասակարգվում են որպես ցածր ռիսկային, ցածր եկամտաբեր և բարձր ռիսկային, բարձր եկամտաբերություն: Ավելի պարզ ասած, այն սահմանում է, որ ավելի բարձր ռիսկի գործոն ունեցող ներդրումներն ավելի բարձր պարգև են բերում և հակառակը:  MPT-ն ապահովում է ներդրումների օպտիմալ ընտրություն, որը հավասարակշռում է ռիսկը վարձատրության դիմաց: Ներդրումների վերջնական ընտրությունը և դրանց մասնաբաժինը պորտֆելում ներկայացնում է իդեալական ներդրումային ռազմավարություն՝ հիմնված տվյալների միտումների վրա:   Գիտությունը ժամանակակից պորտֆելի տեսության հետևում  Եկեք հասկանանք MPT-ի հիմքում ընկած մաթեմատիկան: Այնուամենայնիվ, նախ մենք պետք է հասկանանք մի քանի հիմնական տերմիններ, որոնք հնարավոր են դարձնում մաթեմատիկական մոդելը:    սա ներդրումներից ակնկալվող եկամտաբերության տոկոսն է: Այն կարելի է հաշվարկել՝ օգտագործելով պատմական միտումների վիճակագրական վերլուծությունը: Սպասվող եկամտաբերություն.    սա քանակականացնում է որոշակի ֆինանսական ակտիվի անկայունությունը: Այն ներդրման հետ կապված ռիսկի չափումն է, այսինքն՝ բարձր շեղումների ակտիվը պարունակում է բարձր ռիսկ և բարձր պարգև: Այն նաև գնահատվում է՝ օգտագործելով տվյալների միտումների վիճակագրական վերլուծությունը: Ստանդարտ շեղում.    Սա գնահատում է տարբեր ակտիվների միջև կապը: Կովարիանսը օգնում է օպտիմալացնել պորտֆելի բաշխումը` փոխելով ակտիվների կշիռները` կախված կովարիանսներից: Կովարիանս.     Հաշվի առնելով երեք բաժնետոմսերը՝ A, B և C, եկեք կառուցենք պորտֆոլիո: Ներդրողը նպատակ ունի պարզել, թե որքան միջոցներ պետք է հատկացնեն երկու բաժնետոմսերին: Տվյալ բաժնետոմսերի համար, ենթադրենք, յուրաքանչյուր բաժնետոմս ունի հետևյալ հատկանիշները. Եթե ներդրումների ընդհանուր գումարը կազմում է $1000, $200-ը A բաժնետոմսի համար է, $300-ը B-ի համար և $500-ը C-ի համար: Հաշվի առնելով բաշխումը, պորտֆելի միջին եկամտաբերությունը ստացվում է:   Բաշխման տոկոսները համարվում են նաև պրոֆիլի կշիռները, քանի որ դրանք որոշում են, թե որ ակտիվում որքան ներդրում է կատարվում:  Երկրորդ կարևոր գործոնը, որը պետք է հաշվի առնել այստեղ, պորտֆելի շեղումն է կամ ռիսկը: Պորտֆելի ռիսկը հաշվարկելը ավելի բարդ է, քանի որ հաշվի է առնում տարբեր ակտիվների կովարիանսը: Օպտիմալ պորտֆելը Մարկովիցի մոդելով ներառում է բացասական հարաբերակցությամբ ակտիվներ: Եթե որոշակի ակտիվն անկում ապրի, մյուսը կբարձրանա և կհակազդի դրա կորուստին՝ նվազեցնելով ընդհանուր պորտֆելի ռիսկը:  Պորտֆելի շեղման բանաձևը դառնում է   Կովարիանսը պետք է հաշվարկվի պորտֆելի յուրաքանչյուր ակտիվի զույգի համար: Ենթադրենք մեր ակտիվներն ունեն հետևյալ հարաբերակցության մատրիցը.   Հաշվի առնելով հարաբերակցության արժեքները և վերը նշված ստանդարտ շեղումը, մենք կարող ենք հաշվարկել կովարիանսները՝ օգտագործելով հետևյալ բանաձևը.   Կովարիանսի մատրիցը դառնում է   Օգտագործելով վերը հաշվարկված արժեքները՝ մեր պորտֆելի կովարիանսը դառնում է    Արդյունավետ սահման  Վերոնշյալ օրինակը ցույց է տալիս ներդրումային պորտֆելի մեկ հնարավորություն: Մարկովիցի տեսությունը ստեղծում է նման պորտֆելների բազմաթիվ համակցություններ՝ օգտագործելով տարբեր տեղաբաշխման (կշիռներ) արժեքներ։ Տարբեր պորտֆելները ցույց են տալիս եկամտաբերության տարբեր մակարդակներ տվյալ ռիսկի արժեքի համար (տարբերություն): Այս տարբեր պորտֆոլիոները պատկերված են գծապատկերի վրա, որը կոչվում է Արդյունավետ սահման:   Կորը ներկայացնում է ռիսկ-պարգևատրման փոխզիջում, որտեղ ներդրողները հետաքրքրված են գծից բարձր ամեն ինչով: Այս գծապատկերի մեկ այլ հետաքրքիր գործոն է կապիտալի բաշխման գիծը (CAL), որն անցնում է ռիսկից զերծ կետից (Զրո ստանդարտ-շեղում) և կազմում է շոշափող կորի վրա: Շոշափող կետն ունի վարձատրության և ռիսկի ամենաբարձր հարաբերակցությունը և հանդիսանում է ներդրումների համար հնարավոր լավագույն պորտֆելը:   Հիմնական Takeaways  Ներդրումային պորտֆելը ներառում է տարբեր ակտիվներ, ինչպիսիք են բաժնետոմսերը և պարտատոմսերը: Յուրաքանչյուր ներդրող սկսում է ֆիքսված ներդրումային կապիտալից և որոշում, թե որքան ներդրում կատարի յուրաքանչյուր ակտիվում: Տվյալների գիտության տեխնիկան, ինչպիսին է Մարկովիցի միջին շեղումների տեսությունը, օգնում է որոշել բաժնետոմսերի օպտիմալ բաշխումը օպտիմալ պորտֆոլիո կառուցելու համար:  Տեսությունը ձևակերպում է մաթեմատիկական մոդել՝ ակտիվների բաշխումը օպտիմալացնելու համար՝ ռիսկի տվյալ մակարդակի համար առավելագույն եկամուտ ստանալու համար: Այն վերլուծում է տարբեր ֆինանսական ակտիվներ և հաշվի է առնում դրանց եկամտաբերության մակարդակը և ռիսկի գործոնները՝ հաշվի առնելով դրանց պատմական միտումները: Շահութաբերության տոկոսադրույքը մոտավոր է այն բանի, թե որքան շահույթ կստեղծի ակտիվը տվյալ ժամանակահատվածում: Ռիսկի գործոնը քանակականացվում է՝ օգտագործելով ակտիվի արժեքի ստանդարտ շեղումը: Ավելի մեծ շեղումը ներկայացնում է անկայուն ակտիվ և, հետևաբար, ավելի բարձր ռիսկ:  Եկամուտը և ռիսկի արժեքները հաշվարկվում են պորտֆելի տարբեր համակցությունների համար և ներկայացված են արդյունավետ սահմանային կորի վրա: Կորն օգնում է ներդրողներին որոշել իրենց ընտրած ռիսկի դիմաց ամենաբարձր եկամտաբերությունը:

Every

Read My Stories

Այս աուդիոն պատրաստվել է պատմության բնօրինակ լեզվով:

Տվյալների գիտություն պորտֆելի օպտիմիզացման համար. Մարկովիցի միջին շեղումների տեսություն

About Author

ՄԵԿՆԱԲԱՆՈՒԹՅՈՒՆՆԵՐ

ԿԱԽՎԵԼ ՏԵԳՍԵՐ

ԱՅՍ ՀՈԴՎԱԾԸ ՆԵՐԿԱՅԱՑՎԵԼ Է Մ

Related Stories

Toufi Saliba: The Architect Behind HyperCycle's Decentralized Network of AI

What is Hyperthreading and How Do You Enable It?

Hypernative Bolsters Bitcoin L2 Security as Stacks Ecosystem Gets Real-Time Protection

How HyperCycle Is Building the Internet for AI: A Deep Dive with Toufi Saliba

Toufi Saliba: The Architect Behind HyperCycle's Decentralized Network of AI

What is Hyperthreading and How Do You Enable It?

Hypernative Bolsters Bitcoin L2 Security as Stacks Ecosystem Gets Real-Time Protection

How HyperCycle Is Building the Internet for AI: A Deep Dive with Toufi Saliba

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps